Metagenomics: Identyfikacja najczęściej występujących sekwencji
Pracuję nad projektem i użyłem następującego polecenia:
vsearch --derep_fulllength filtered_merged.fa -sizeout -relabel Uniq -output dereplicated_filtered_merged.fa
i otrzymałem następujący wynik:
87373926 nt in 203453 seqs, min 310, max 480, avg 352
Sorting 100%
10981 unique sequences, avg cluster 2.0, median 1, max 1287
Writing output file 100%
Wyniki dostarczyły mi danych, że zidentyfikowano 10981 unikalnych sekwencji. Ale wydaje mi się, że nie potrafię określić, ile odczytów najczęściej występującej sekwencji było obecnych w danych wejściowych.
Wszelkie sugestie będą mile widziane!
Odpowiedzi
Zgodnie z dokumentacją VSEARCH , ponieważ określiłeś --sizeout
swoje obfitości zostały zapisane w nagłówkach FASTA:
--rozmiar
Weź pod uwagę liczne adnotacje obecne w pliku wejściowym fasta (wyszukaj wzorzec „[>;] size = integer [;]” w nagłówkach sekwencji). Ta opcja jest domyślnie aktywna podczas ponownego wykonywania.
Dodaj adnotacje obfitości do wyjściowego pliku fasta (dodaj wzorzec '; size = integer;' do nagłówków sekwencji). Jeśli podano --sizein, każda unikalna sekwencja otrzymuje nową wartość obfitości, odpowiadającą jej całkowitej obfitości (sumie obfitości jej wystąpień). Jeśli --sizein nie jest określony, liczebności wejściowe są ustawiane na 1, a każda unikalna sekwencja otrzymuje nową wartość liczebności odpowiadającą liczbie wystąpień w pliku wejściowym.